Numpy 与Pytorch 关于一维数组的处理（1）_position = position[:t].unsqueeze(dim=0).repeat(b,-优快云博客

本文链接：https://blog.youkuaiyun.com/linux_wgl/article/details/114694812

本文详细介绍了在Numpy和Pytorch中处理一维向量的element-wise乘法与点积运算的区别，并通过示例代码展示了不同情况下两种运算的具体实现。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

在人工智能的训练中，常常会遇到，element-wise的乘法(对应项相乘）和点积（点乘）运算。很多学习人工智的小伙伴多是从Numpy入手，然后转到Pytorch的。
但是有一些，小的问题处理上，还是有一些差距，会造成很多的误解。比如，对于一维向量的乘法和点积就有如下的差别：

element-wise的乘法的结果，仍然是，向量。而点积（点乘）的运算则是一个具体的值。

import numpy as np
a = np.array([1, 2, 3])
b = np.array([1, 2, 3])
print(np.dot(a, b),   np.multiply(a, b))

运算结果：

14   [1 4 9]

import torch
a = torch.tensor([1, 2, 3])
b = torch.tensor([1, 2, 3])
print(torch.mul(a, b))
print(torch.mm(a, b))

运算结果：

tensor([1, 4, 9])
Traceback (most recent call last):
    print(torch.mm(a, b))
RuntimeError: self must be a matrix

element-wise的乘法是没有问题的，但是，点积的求法，则会报错。该如何改呢？

import torch
a = torch.tensor([1, 2, 3]).unsqueeze(dim=0)
b = torch.tensor([1, 2, 3]).unsqueeze(dim=1)
print(a.shape,  b.shape)
print(torch.mm(a, b))

运算结果：

torch.Size([1, 3]) torch.Size([3, 1])
tensor([[14]])

如果，在此时，作一下，element-wise的乘法，会如何呢？
结论是会发生，广播机制。

import torch
a = torch.tensor([1, 2, 3]).unsqueeze(dim=0)
b = torch.tensor([1, 2, 3]).unsqueeze(dim=1)
print(a.shape, b.shape)
print(torch.mul(a, b))

结果：

torch.Size([1, 3]) torch.Size([3, 1])
tensor([[1, 2, 3],
        [2, 4, 6],
        [3, 6, 9]])